【 01】从“不断电”到“不断服务”：个人 AI 可靠性的重新思考

研究背景：个人 AI 设备的可靠性需求

1.1 AI 算力向个人终端延伸

随着人工智能技术的发展，AI 应用正由以云端计算为主的模式逐步向云边端协同延伸。本地 AI 已开始应用于个人计算机、智能家居及嵌入式终端，承担环境感知、数据处理和异常事件识别等任务。

与传统消费电子设备相比，部分个人 AI 终端需要持续运行或响应突发事件，其可靠性不仅取决于计算性能，还受到能源供应能力的直接影响。

1.2 有限能源与动态计算负载的矛盾

个人 AI 设备通常受到电池容量、体积和功耗的限制，而不同计算任务的能源需求存在明显差异。

例如，基础环境监测可以由低功耗微控制器完成，而图像识别等复杂 AI 推理通常需要更高的计算功率，并可能在启动或运行过程中形成瞬时负载峰值。

当设备进入电池供电模式时，持续运行高耗能计算任务可能压缩关键服务的可用时间；即使电池仍有剩余能量，也可能因瞬时供电能力不足而限制计算任务的执行。

因此，如何协调有限能源与动态 AI 计算需求，是提升个人智能设备可靠性的关键问题之一。

AIDC 可靠性理念向个人设备的迁移

2.1 AIDC 的系统级可靠性

人工智能数据中心（AI Data Center，AIDC）承载大量计算任务，对供电连续性、故障恢复和业务可用性具有较高要求。

为降低供电异常和设备故障的影响，数据中心通常采用不间断电源（UPS）、冗余供电、故障监测及运行管理等机制。

这些措施的共同目标并非单纯延长设备供电时间，而是降低局部故障对关键业务的影响，维持系统整体的服务能力。

2.2 从设备供电保障到关键服务保障

个人 AI 设备不具备数据中心的基础设施条件，难以直接复制其冗余供电架构，但可以借鉴其面向关键业务的可靠性设计思想。

以家庭智能终端为例，停电后如果所有计算模块继续以原有功耗运行，备用能源可能很快耗尽，导致基本监测和告警服务一同中断。

相比之下，如果系统能够识别不同任务的重要程度，在能源受限时主动调整非关键计算负载，就有可能延长重要服务的有效运行时间。

由此，本项目提出一个初步观点：

个人 AI 设备的可靠性不应仅以供电时长衡量，还应关注关键服务在异常条件下的持续可用性。

钠电与 AI 协同的研究切入点

3.1 钠离子电池的应用潜力与局限

钠离子电池因钠资源相对丰富、部分技术体系具备较好的低温性能以及潜在的成本优势而受到关注，在储能和备用电源领域具有一定应用前景。

但钠电池并非在所有性能指标上优于锂电池。其能量密度、循环寿命、低温性能及实际成本均与具体材料体系和电芯设计有关。

因此，将钠电应用于个人 AI 设备，需要结合实际场景和电芯参数评估，而不能仅将其作为传统电池的直接替代品。

3.2 从剩余电量到实际供电能力

电池剩余荷电状态（SOC）并不能完全反映其支持计算任务的能力。

实际供电能力还受到环境温度、电池健康状态（SOH）、放电倍率及负载变化等因素影响。尤其对于具有瞬时功率需求的 AI 计算模块，需要同时考虑：

能量约束：电池能否提供完成计算任务所需的总能量，并保留关键服务的必要能源。

功率约束：当前电池和供电系统能否满足计算模块启动及运行时的功率需求。

这一特点意味着，单纯依靠固定电量阈值进行设备管理，未必能够适应所有运行条件。

3.3 能源与算力的协同管理

基于上述问题，可以探索一种由电池状态与关键服务需求共同决定 AI 运行方式的机制。

在能源充足时，设备执行完整 AI 推理；在供电能力受限时，选择轻量化计算；当剩余能源不足以支持复杂任务时，暂停非必要计算，并保留基本监测和告警能力。

这一过程的关键在于：能源状态不仅决定设备还能运行多久，还参与决定哪些 AI 任务能够运行、以何种方式运行。

初步研究假设与应用场景

4.1 典型生活场景

考虑用户夜间外出时的家庭监测需求。

用户希望门窗状态感知、环境监测和基本告警功能在未来一段时间内持续运行。当外部供电中断后，设备需要利用有限的备用能源维持这些关键服务。

如果系统同时承担复杂的本地 AI 分析任务，就需要判断：当前能源是否足以支持计算任务，同时满足基本监测的保障需求？

例如，当用户提出“未来 8 小时维持关键监测服务”的目标时，设备应评估当前供电条件能否满足要求，并据此调整非关键计算任务，而不是简单依据电池剩余百分比作出决策。

这里的 8 小时仅作为研究情境中的假设目标，不代表已经实现的产品性能。

4.2 研究假设

本项目提出以下初步研究假设：

在相同储能条件下，将电池可用能量、瞬时输出功率与关键服务需求纳入统一的 AI 任务管理机制，有可能提高供电异常情况下的关键服务保障能力。

后续将重点验证三个问题：

（1）能否根据具体钠电芯的状态与运行条件，合理估计可用能量和功率边界？

（2）能否将用户的关键服务保障需求转化为明确的能源预算与计算约束？

（3）与传统固定阈值或规则调度相比，协同管理机制能否带来可量化的可靠性提升？

需要说明的是，能源感知任务调度、低功耗唤醒和可靠性约束控制已有相关研究。本项目的创新性仍需通过技术调研和对照验证进一步明确。

研究方向与下一步计划

基于以上分析，后续计划围绕 NaLink「钠联」——个人 AI 韧性守护终端展开探索。

初步设想采用钠电储能、低功耗守护模块和可按需启动的边缘 AI 模块，将 AIDC 中面向关键业务的可靠性思想转化为个人设备的能源—算力协同机制。

下一阶段将首先明确产品使用场景与功能需求，并开展钠电 UPS、个人 AI 终端及相关调度技术的竞品研究。

随后，建立电池能量—功率模型与关键服务需求模型，通过仿真比较不同计算调度策略在服务持续时间、任务完成率和能耗方面的表现。